JSME-JT
日本機械学会論文集（C 編） 原著論文 No.2011-JCR-0275 ©2012 The Japan Society of Mechanical Engineers ∗1 Department of Mechanical Engineering, Undergraduate School of Science and Techonology, Toyo University 2100, Kujirai, Kawagoe-shi, Saitama, 350-8585 Japan Reinforcement learning approaches attract attention as the technique to construct the mapping function between sensors-motors of an autonomous robot through
DQNをKerasとTensorFlowとOpenAI Gymで実装する
はじめに 少し時代遅れかもしれませんが、強化学習の手法のひとつであるDQNをDeepMindの論文Mnih et al., 2015, Human-level control through deep reinforcement learningを参考にしながら、KerasとTensorFlowとOpenAI Gymを使って実装します。 前半では軽くDQNのおさらいをしますが、少しの強化学習の知識を持っていることを前提にしています。 すでにいくつか良記事が出ているので紹介したいと思います。合わせて読むと理解の助けになると思うので、是非参考にしてみてください。 DQNの生い立ち ＋ Deep Q-NetworkをChainerで書いた DQNが生まれた背景について説明してくれています。Chainerでの実装もあるそうです。 ゼロからDeepまで学ぶ強化学習 タイトルの通り、ゼロからDeepま
DQNで自作迷路を解く - Qiita
Deep Q Network（いわゆるDQN）で自作の迷路を解いてみました。 プログラムはこちらにあります。 https://github.com/shibuiwilliam/maze_solver 概要 DQNは強化学習の一種で、最適な戦略選択にニューラルネットワークを使っているものになります。 強化学習やニューラルネットワークの説明は以下が参考になります。 強化学習 ゼロからDeepまで学ぶ強化学習 - Qiita ニューラルネットワーク TensorFlowのチュートリアルを通して、人工知能の原理について学習する - Qiita 強化学習はゲームやロボット制御で使われている技術なのですが、状況（State）に対してプレイヤー（エージェントとも）が行動（Action）を起こすことで、状況の変化とその行動への報酬（reward）を得るモデルです。 状況に対する行動を繰り返すことプレイヤー
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
GitHub - Bleyddyn/malpi: Machine learning code for a Raspberry Pi based robot
Let’s make a DQN: Theory
Let’s make a DQN: Implementation
組み立てられるドローン「Airblock」、ホバークラフトにも変形。プログラミング教育に活用
48-01-17.dvi
http://medfreak.info/?p=3293
Deep Reinforcement Learning
Deep Q-Network 論文輪読会
GitHub - ugo-nama-kun/RL_nyu-mon